摘要

近年来，低资源机器阅读理解（Low-Resource Machine Reading Comprehension, MRC）取得了显著进展，各类模型在多种语言数据集上均展现出优异性能。然而，现有模型均未针对乌尔都语（Urdu）进行专门适配。本文提出了一种半自动化构建乌尔都语问答数据集（UQuAD1.0）的方法，该方法结合了机器翻译的SQuAD数据与源自维基百科文章及剑桥O-Level教材中乌尔都语阅读理解练习材料的人工生成样本。UQuAD1.0是一个大规模的乌尔都语数据集，专为抽取式机器阅读理解任务设计，包含49,000个问答对，以问题、段落和答案的格式组织。其中，约45,000对问答由原始SQuAD1.0数据经机器翻译生成，其余约4,000对通过众包方式人工构建。在本研究中，我们采用了两类MRC模型：基于规则的基线模型与先进的基于Transformer的模型。实验结果表明，后者显著优于前者，因此我们决定后续研究仅聚焦于基于Transformer的架构。基于XLM-RoBERTa和多语言BERT模型，我们分别获得了0.66和0.63的F1分数。